CN106970383A - 基于模糊模式识别和遗传算法的墙后人体多状态目标的检测方法 - Google Patents

Abstract

本发明公开了一种基基于模糊模式识别和遗传算法的墙后人体多状态目标的检测方法，它是对P410雷达的接收信号进行处理，提取接收信号的特征参数；利用提取的特征参数和墙后多种状态构成隶属度函数集；本发明选择高斯函数作为子隶属度函数，采用遗传算法优化子隶属度函数中的均值与方差，构造隶属度函数集；根据模糊模式识别理论建立墙后人体目标预测函数，通过计算，依据最大隶属度原则可以明显的识别出被测数据属于墙后的哪一类状态。该检测主要应用于灾害救援领域以及反恐侦查领域，以保证对掩埋下有生命体的目标进行探测与救援以及在挟持人质的反恐中保证人质的人身安全等应用。

Description

基于模糊模式识别和遗传算法的墙后人体多状态目标的检测 方法

技术领域

本发明涉及一种模糊模式识别以及遗传算法检测技术，该方法简单、实用，形象、直观，挖掘了新的目标识别领域，克服了以往UWB雷达探测领域的局限性，以及对墙后多种状态分类不明确的缺点。

背景技术

新兴的超宽带无线电技术（UWB-Radio Technology，UWB-RT）是无线通信领域的一次重大进步，其关键优点在于频段共享，信道容量大，被拦截和检测性小，抗干扰，多径信道下性能好，穿透性强等。超宽带雷达技术是超宽带应用于目标识别领域的关键技术，其主要特点是分辨率高，抗干扰能力强，穿透性强等。因此超宽带雷达技术在各个领域得到了广泛的应用，包括自然灾害探测，穿墙雷达，穿地雷达，医学成像，目标测距与人员定位，灾难救援等等。而且超宽带信号具有较强的穿透障碍物的能力，超宽带技术能够穿透叶簇、地表，对更隐蔽的人体目标进行检测。M Zhao等人研制了基于超宽带技术的超宽带冲激合成孔径雷达，其目的是为了验证超宽带雷达叶簇穿透能力和对隐藏目标的高分辨率的成像能力。SJovanoska等人提出了一种基于多个静态超宽带（UWB）雷达传感器的多个移动目标的检测，定位和跟踪。目标是利用电磁波的接收机进行检测。该传感器连接到一个单一的UWB模块，包括两个接收和一个发射天线，使传感器能够自主目标定位。高斯混合实现的概率假设密度（PHD）过滤器用于估计所检测到的目标的范围和融合由每个传感器提供的位置估计，导致精制的目标跟踪。实现了3个移动人的目标检测，并得到了有效的结果。

近年来基于UWB雷达信号进行数据处理的方法很多。Liang Qilian等人通过使用超宽带（UWB）雷达的叶目标检测,提出了一种离散余弦变换（DCT）为基础的方法，将树叶作为回波信号，可以达到较好的检测质量。Slimane, Zohra等人采用基于超宽带雷达的OFDM对墙后固定人体目标进行检测与定位。使用的超宽带雷达设备是单站模式，带宽范围在1.99Ghz-3Ghz，采用短期傅里叶变换对墙后人体固定目标进行检测。从记录的波形中提取20厘米厚的混凝土墙后的人体目标的信息。S Bartoletti等人针对超宽带雷达传感器网络系统的性能进行分析，分别包括干扰，系统参数，网络拓扑和雷达的个数，综合考虑这些因素后，文章对系统设计的性能和复杂性之间的权衡给出了清晰的见解。

当前的研究中基于UWB雷达进行目标检测的方法虽然很多，但是基于UWB雷达进行墙后人体多状态的检测方法还没有很多的研究，在民用领域，室内，室外以及井下人员的检测均用到该检测方法，军事领域，无线传感网通常带有大量的传感器节点，并且每个传感器位置固定，成本高不适宜携带，并不适合在复杂的作战环境中布置。因此本发明提出了一种基于模糊模式识别算法和遗传算法结合，实现基于UWB雷达的墙后人体多状态的识别。

发明内容

为实现上述目的，本发明公开了如下的技术方案：

一种基于模糊模式识别算法和遗传算法的墙后人体多状态的目标检测算法，通过提取的特征参数和墙后多种状态构成隶属度函数集；选择高斯函数作为子隶属度函数，采用遗传算法优化子隶属度函数中的均值与方差，构造隶属度函数集；通过模糊模式识别理论建立墙后人体目标预测函数，根据最大隶属度原则可以明显的识别出被测数据属于墙后的哪一类状态，主要包括：

（1）提取特征参数

进行墙后人体识别的状态有6种，每一种状态都有相应的特征参数，主要为接收信号的峰度K，偏度S，能量G_r，最大幅度值r_max，方差以及协方差cov。能量指接收信号的总能量，方差表征接收信号的波动程度，波形形状主要选择了峰度和偏度参数，其中峰度为信号的四阶矩，反应了分布曲线顶峰的尖平程度，偏度参数使用信号的三阶矩表示，描述了取值分布对称性。每一种状态的特征参数定义如下：

（2）构建隶属度函数集

本发明选择高斯函数作为子隶属度函数，高斯函数定义如下：

其中a为均值，b为方差，这两个参数均可以由遗传算法得到，隶属度函数集共包括36个子隶属度函数，需要优化的参数共72个，隶属度函数集如下：

（3）建立目标预测函数

本发明将a，b分别带入相应的子隶属度函数中得到隶属度函数集F，将F代入目标预测公式得到预测函数

Y为1*6的矩形，Y中元素为[Y₁,Y₂,Y₃,Y₄,Y₅,Y₆],根据最大隶属度原则,若

则判断该组数据属于相应的墙后的类别。

本发明进一步公开了基于模糊模式识别算法和遗传算法结合的墙后人体多状态的目标识别检测方法用于灾害救援以及反恐探测领域等，以保证对掩埋下有生命体的目标进行探测与救援以及在挟持人质的反恐中保证人质的人身安全等应用。实验结果显示：模糊模式识别算法对墙后人体多种状态的识别是准确的，有效的。该方法可以在实际中得到应用于推广。本发明主要解决了：

（1）墙后人体多状态的目标环境下引入模糊模式识别算法与遗传算法对目标进行分类识别；根据提取接收信号的特征参数，通过遗传算法构建子隶属度函数；

（2）通过子隶属度函数构建隶属度函数集，利用模糊模式识别的最大隶属度原则对目标进行分类，不同的目标可以隶属于不同的类别，这样的结果更接近真实情况。

（3）该算法对于墙后人体的多状态识别更准确，优于weka中的KNN，J48，naivebayes算法。

本发明公开的基于模糊模式识别算法和遗传算法的墙后人体多状态的目标识别方法的有益效果是：

（1）本发明基于模糊模式识别算法和遗传算法进行墙后人体的多状态的目标识别，使墙后人体目标识别算法更加精准，有效。

（2）将模糊模式识别算法引入墙后人体多状态的目标识别分析中，对墙后人体多状态的数据进行模糊模式识别分类分析；利用得到的数据的隶属度分析墙后人体的多状态的类别；通过分析最大隶属度，进行判断墙后人体多状态是否检测正确。在试验中取得了明显的效果。将墙后每一种状态的数据进行特征参数的提取，利用模糊模式识别中的隶属度函数集的概念构建目标预测函数，根据模糊模式识别的最大隶属度原则，将已知类别的数据带入目标预测函数中，计算隶属度值，从而判断该状态是否识别正确。通过该算法，将数据进行分类处理，无人状态的分类精度达到98%，墙后1人缓慢呼吸分类精度达到82%，墙后1人挥手状态的分类精度达到96%，墙后2人缓慢呼吸状态的分类精度达到94%，墙后2人来回走动状态的分类精度达到96%。

本发明成功的准确识别了墙后的5种不同的状态。利用ROC曲线对实验结果进行了分析,如果ROC曲线接近左上角，那么它代表了该算法具有较高的精度，通过模糊模式识别算法对墙后多种状态进行模式识别的ROC曲线可以形象直观的表示各种状态的分类识别效果。

（3）实验结果表明，对墙后人体多状态的目标进行模糊模式识别的分类方法，结果可以真实地反映墙后人体的多目标类别，基于模糊模式识别和遗传算法的墙后人体多状态的目标识别是有效、敏感的。采用这种新的方法，相对于之前该领域的匮乏，提出了新的研究思路，使墙后人体的状态更接近真实情形。

附图说明

图1为墙后多种状态的接收信号的波形图；

其中（1）表示接收的墙后无人状态波形图；（2）表示接收的墙后1人缓慢呼吸状态波形图；（3）表示接收的墙后1人挥动手臂的状态波形图；（4）表示接收的墙后2人缓慢呼吸状态的波形图；

（5）表示接收的墙后1米到2米内2人来回走动状态波形图；（6）表示接收的墙后3人缓慢呼吸状态的波形图；

图2为墙后各状态的子隶属度函数中的均值与方差的分布图，其中

（1）为kurtosis对应的均值与方差的分布；（2）skewness对应的均值与方差的分布；

图3为墙后各状态的子隶属度函数中的均值与方差的分布图，其中

（3）最大幅度对应的均值与方差的分布；（4）信号能量对应的均值与方差的分布；

图4为墙后各状态的子隶属度函数中的均值与方差的分布图，其中

（5）方差对应的均值与方差的分布；（6）协方差对应的均值与方差的分布；

图5为墙后多种状态的ROC曲线图，其中（1）表示接收的墙后无人状态的ROC曲线；（2）表示墙后1人缓慢呼吸状态的ROC曲线；

图6为墙后多种状态的ROC曲线图，其中

（3）表示墙后1人挥动手臂的状态的ROC曲线；（4）表示墙后2人缓慢呼吸状态的ROC曲线；

图7为墙后多种状态的ROC曲线图，其中

（5）表示墙后1米到2米内2人来回走动状态的ROC曲线；（6）表示墙后3人缓慢呼吸状态的ROC曲线。

具体实施方式

下面通过具体的实施方案叙述本发明。除非特别说明，本发明中所用的技术手段均为本领域技术人员所公知的方法。另外，实施方案应理解为说明性的，而非限制本发明的范围，本发明的实质和范围仅由权利要求书所限定。

实施例1

墙后人体目标识别的基本思想是对UWB雷达设备的接收信号进行处理，从接收信号中提取与目标信息相关的特征参数，本发明主要对接收信号提取特征参数，每一种状态提取六种特征参数，包括Kurtosis,Skweness,接收信号的最大幅值，接收信号的方差以及协方差。选择高斯函数作为子隶属度函数，每一个场景的每个特征参数对应一个子隶属度函数，6个场景共36个子隶属度函数，通过遗传算法得到子隶属度函数的均值与方差。通过子隶属度函数构建模糊模式识别的隶属度函数集，根据模糊模式识别的目标预测函数对墙后人体目标的状态进行分类识别，具体的算法流程如下：

文章共设置6种场景，每个场景下均提取6种特征参数。因此目标是由6个特征参数来表示，

其中代表Kurtosis,代表Skewness，代表接收信号的最大幅值，代表接收信号的能量，代表接收信号的方差,代表接收信号的协方差。

根据遗传算法得到的子隶属度函数的均值a与方差b，将a,b分别带入相应的子隶属度函数中得到公式（8）中的隶属度函数集F,将F代入目标预测公式（9）中，

Y中元素为[Y₁,Y₂,Y₃,Y₄,Y₅,Y₆],根据公式（10）中的最大隶属度原则即可对墙后人体目标状态进行分类识别。

实施例2

我们选取了墙后6种状态做实验，分别为墙后无人状态，墙后1人缓慢呼吸状态，墙后1人挥动手臂状态，墙后2人缓慢呼吸状态，墙后2人来回走动状态，墙后3人缓慢呼吸状态。每一种状态我们选择500组脉冲数据，每组脉冲数据我们选择1152个数据点。从图1可以看出每种状态的时域波形图，从波动的幅度可以微弱的看出各种状态的区别。因此对每个状态提取特征参数，通过特征参数对目标进行识别。

实施例3

提取每个状态的接收信号的特征参数，分别为kurtosis，skewness,接收信号的最大幅度，接收信号的能量，方差以及协方差。通过特征参数构建子隶属度函数，进而形成隶属度函数集。高斯函数是作为子隶属度函数，其均值与方差由遗传算法得到。图2表示的是墙后6种状态的6个特征参数所对应的均值与方差，通过目标预测函数以及模糊模式识别的最大隶属度原则，将测试数据带入目标预测函数中，对数据类别进行分类判断。从图3中，通过ROC曲线可以明显看到墙后各种状态的识别效果。

实施例4

实际应用的实例：

通过P410雷达设备获取6种墙后人体的不同状态进行分析，在每种场景下随机选取1组数据，首先对数据提取特征参数并对其进行归一化处理。

其中x₁是墙后无人状态，x₂是墙后一人缓慢呼吸状态，x₃是墙后1人挥手状态，x₄是2人正常呼吸状态，x₅是墙后2回来走动状态，x₆是墙后3人正常呼吸状态。

子隶属度函数均值和方差由遗传算法优化得到，如图2所示。

将x₁,x₂,x₃,x₄,x₅,x₆这六组已知类别的数据代入本发明的目标预测函数中，根据模糊模式识别的最大隶属度原则对数据进行分析。

现将以上6种状态的数据带入公式（9）中，

其中Y₁的六个数据中1.4338最大，因此判断为墙后无人状态，识别结果正确；

Y₂中 2.0204最大，判断为墙后一人缓慢呼吸状态，识别结果正确；

Y₃中 2.7567最大，判断为1人挥动手臂状态，识别结果正确；

Y₄中 1.9121最大，判断为2人正常呼吸状态，识别结果正确；

Y₅中 0.3845最大，判断为2人来回走动状态，识别结果正确，

Y₆中 2.5262最大，根据最大隶属度原则该组数据判断为1人挥动手臂状态，但由于x₆属于3人正常呼吸状态，因此判断结果错误，但由于3人正常呼吸与1人挥动手臂状态差别微弱，因此存在判断错误的可能，本发明认为3人正常呼吸状态判错为1人挥动手臂状态仍属于合理的范围。

Claims (3)

1.一种基于模糊模式识别算法和遗传算法的墙后人体多状态的目标检测算法，其特征在于它是通过提取接收信号的特征参数和墙后多种状态构成隶属度函数集；选择高斯函数作为子隶属度函数，采用遗传算法优化子隶属度函数中的均值与方差，构造隶属度函数集；通过模糊模式识别理论建立墙后人体目标预测函数，根据最大隶属度原则可以明显的识别出被测数据属于墙后的哪一类状态，主要包括：

（1）提取特征参数：

进行墙后人体识别的状态有6种，每一种状态都有相应的特征参数，主要为接收信号的峰度K，偏度S，能量G_r，最大幅度值r_max，方差以及协方差cov，能量指接收信号的总能量，方差表征接收信号的波动程度，波形形状主要选择了峰度和偏度参数，其中峰度为信号的四阶矩，反应了分布曲线顶峰的尖平程度，偏度参数使用信号的三阶矩表示，描述了取值分布对称性，每一种状态的特征参数定义如下：

（2）构建隶属度函数集

选择高斯函数作为子隶属度函数，高斯函数定义如下：

其中a为均值，b为方差，这两个参数均可以由遗传算法得到，隶属度函数集共包括36个子隶属度函数，需要优化的参数共72个，隶属度函数集如下：

（3）建立目标预测函数

将a,b分别带入相应的子隶属度函数中得到隶属度函数集F,将F代入目标预测公式得到预测函数

Y为1*6的矩阵，Y中元素为[Y₁,Y₂,Y₃,Y₄,Y₅,Y₆]根据最大隶属度原则,若

则判断该组数据属于墙后相应的类别。

2.权利要求1所述基于模糊模式识别和遗传算法的墙后人体多状态目标检测在用于灾害救援以及反恐探测方面的应用。

3.权利要求2所述的应用，其中的灾害救援以及反恐探测指的是：对掩埋下有生命体的目标进行探测与救援或在挟持人质的反恐中保证人质的人身安全。